Sdílet prostřednictvím

Experimenty a modely strojového učení – integrace a kanály nasazení Gitu (Preview)

Experimenty a modelystrojového učení se integrují s možnostmi správy životního cyklu v Microsoft Fabric a poskytují standardizovanou spolupráci mezi všemi členy vývojového týmu v průběhu celého života produktu. Správa životního cyklu usnadňuje efektivní proces správy verzí produktů a vydávání verzí tím, že nepřetržitě poskytuje funkce a opravy chyb do více prostředí. Další informace najdete v tématu Co je správa životního cyklu v Microsoft Fabric?.

Důležité

Tato funkce je ve verzi Preview.

Experimenty a modely strojového učení – integrace Gitu

Experimenty a modely strojového učení obsahují metadata i data. Experimenty ML obsahují runs , zatímco modely ML obsahují model versions. Z hlediska vývojového pracovního postupu můžou poznámkové bloky odkazovat na experiment ML nebo na model ML.

V zásadě se data neukládají v Gitu – sledují se jenom metadata artefaktů. Ve výchozím nastavení se experimenty a modely ML spravují prostřednictvím procesu synchronizace a aktualizace Gitu, ale experiment runsmodel versions nesledují se ani nespravují verze v Gitu a jejich data se zachovají v úložišti pracovního prostoru. Rodokmen mezi poznámkovými bloky, experimenty a modely se dědí z pracovního prostoru připojeného k Gitu.

Reprezentace Gitu

Následující informace se serializují a sledují v pracovním prostoru připojeném k Gitu pro experiment a modely strojového učení:

  • Zobrazovaný název.
  • verze.
  • Logický identifikátor GUID. Sledovaný logický identifikátor GUID je automaticky vygenerovaný identifikátor křížového pracovního prostoru představující položku a jeho reprezentaci správy zdrojového kódu.
  • Závislosti. Rodokmen mezi poznámkovými bloky, experimenty a modely se zachovají napříč pracovními prostory připojenými k Gitu a udržují jasnou sledovatelnost mezi souvisejícími artefakty.

Důležité

V aktuálním prostředí se v Gitu sledují jenom metadata artefaktů experimentu a modelu strojového učení. Spuštění experimentu a verze modelů (výstupy spuštění a data modelu) se neukládají ani nespouštějí verze v Gitu; jejich data zůstávají v úložišti pracovního prostoru.

Možnosti integrace Gitu

K dispozici jsou následující možnosti:

  • Serializace metadat artefaktů experimentu ML a modelu do reprezentace JSON sledované gitem
  • Podpora více pracovních prostorů propojených se stejnou větví Git, která umožňují synchronizaci sledovaných metadat napříč pracovními prostory.
  • Povolit přímé nebo řízené aktualizace prostřednictvím žádostí o přijetí změn ke správě změn mezi nadřazenými a podřízenými pracovními prostory a větvemi.
  • Sledování přejmenování experimentů a modelů v Gitu za účelem zachování identity napříč pracovními prostory
  • Neprovádějí experiment runs se žádné akce nebo model versionsjejich data se zachovají v úložišti pracovního prostoru a Git je neukládá ani nepřepíše.

Experimenty a modely strojového učení v kanálech nasazení

Experimenty a modely strojového učení se podporují v kanálech nasazení správy životního cyklu Microsoft Fabric. Umožňuje osvědčené postupy segmentace prostředí.

Důležité

V kanálu nasazení v aktuálním prostředí se sledují jenom artefakty experimentu a modelu strojového učení. Spuštění experimentu a verze modelů nejsou sledovány ani verzemi kanálů; jejich data zůstávají v úložišti pracovního prostoru.

Možnosti integrace kanálů nasazení a experimentů ML a modelů:

  • Podpora nasazení experimentů a modelů ML napříč vývojovými, testovacími a produkčními pracovními prostory
  • Nasazení synchronizují pouze metadata artefaktů; experiment runs a model versions (jejich data) se zachovají a nepřepíšou se.
  • Přejmenování experimentů a modelů se šíří napříč pracovními prostory, pokud jsou součástí kanálu nasazení.
  • Rodokmen mezi poznámkovými bloky, experimenty a modely se udržuje napříč pracovními prostory během nasazování kanálů a zachovává sledovatelnost mezi souvisejícími artefakty.

Související obsah

  • Last updated on